《表9 3种模型聚类算法效果比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于聚类算法的开放式创新社区领先用户识别方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表9记录了3种聚类算法的轮廓系数、精确率Precision、召回率Recall和准确率Acc指标。轮廓系数结合内聚度和分离度两方面因素，评价了分类算法在分类效果上的优劣，其取值一般在[-1，1]之间，轮廓系数越接近1，表明聚类效果越好越合理；轮廓系数越接近-1，表明聚类结果越不合理，可能某个样本应该聚类到另外的簇上；如果轮廓系数接近0，则表明该分类样本可能在两个簇的边界上。从表9可以看出，EM聚类的轮廓系数大于K-means聚类和谱聚类，更接近1，表明EM聚类算法的聚类合理性更强，不同类别的区分更加明显。精确率、准确率和召回率分别表现了聚类算法的分类精确度（分好的类别中正确分类的样本占该类别的比例）、分类正确度（分类正确的样本数占总正确样本数的比例）和分类识别度（分类正确的样本数占总样本数的比例），是常用的聚类算法的评价指标，基本全面评价了一个算法的分类性能。表中EM聚类算法的精确率为91.78%、准确率为98.51%，召回率和谱聚类算法相等，均为77.01%；而K-means聚类算法的各项指标均远低于其他两种算法。在实践中，企业在识别出领先用户后需要进一步跟进沟通，并投入大量的人力和时间成本，如果识别模型错将非领先用户识别为领先用户，则会对企业造成一定的资源浪费，因此模型的精确率比召回率更重要。EM聚类算法的召回率较低，但是精确率超过了90%，因此EM聚类算法具有实用价值。综上所述，在领先用户识别研究中，EM聚类算法表现最好，有两项指标表现最优，谱聚类算法其次，K-means聚类算法效果不佳。